
Teknik not
Yapay Zekâ Öneri Sisteminde Soğuk Başlangıç Sorunu Nasıl Çözülür?

Bir müzik uygulamasını ilk kez açtınız. Henüz hiçbir şarkıyı beğenmediniz, liste oluşturmadınız. Uygulama size ne önerebilir? Aynı sorun, kataloğa yeni eklenen ve hakkında henüz tıklama ya da puan bulunmayan ürünlerde de görülür. Öneri sistemlerinde bu duruma soğuk başlangıç (cold start) denir.
Geçmiş etkileşim bulunmadığında bile işe yarar öneriler sunmak mümkündür. Bunun için içerik bilgilerini, isteğe bağlı kısa tercihleri, genel başlangıç listelerini ve kontrollü keşfi birlikte kullanabiliriz.

Öneri sisteminde soğuk başlangıç nedir?
Birçok öneri sistemi, benzer kullanıcıların beğendiği içerikleri eşleştirir. Örneğin benzer kitapları okuyan kişiler aynı yeni kitabı beğenmişse, sistem bunu başka okurlara önerebilir. Bu yaklaşım güçlüdür; ancak sistemin karşılaştırabileceği etkileşimler yoksa başlangıçta yeterli sinyal bulamaz.
İki temel soğuk başlangıç türü
- Yeni kullanıcı: İzleme, dinleme, tıklama veya puan geçmişi yoktur. Sistem bu kişinin ne istediğini henüz bilmiyordur.
- Yeni ürün: Kataloğa yeni giren film, kitap ya da ürün için kullanıcı etkileşimi henüz oluşmamıştır.
Bu iki durum birbirine benzer görünür ama çözüm sinyalleri farklıdır: yeni kullanıcı için tercih ve bağlam; yeni ürün için açıklama, kategori ve özellikler işe yarar.
İlk önerileri hangi sinyallerle üretiriz?
1. Ürün bilgisinden yararlanın
Yeni bir ürünün henüz tıklaması olmasa bile türü, konusu, dili, süresi, fiyat aralığı veya etiketleri bilinebilir. Bu özellikleri kullanarak benzer içerikleri bulmak içerik tabanlı öneri yaklaşımıdır. Örneğin “kısa, bilimkurgu ve sesli kitap” özellikleri, geçmişinde bu tür seçimler görülen kullanıcıya uygun adaylar çıkarabilir. Metni sayısal vektörlere çevirme konusu için embedding ve anlam arama rehberine de bakabilirsiniz.
2. Yeni kullanıcıya kısa ve isteğe bağlı tercih sunun
Uzun bir anket yerine kullanıcıya bir ya da iki kolay soru sorun: “Hangi türleri seversiniz?” veya “Kısa mı, uzun mu içerik arıyorsunuz?” Yanıtı atlama seçeneği verin. Seçilen türlerden ilk içerik tabanlı listeyi hazırlayın; daha sonra gerçek kullanım sinyalleri geldikçe listeyi güncelleyin.
3. Başlangıç listesi oluşturun
Henüz kişisel sinyal yoksa editör seçkisi, genel popülerler veya yeni çıkanlardan oluşan küçük bir liste boş ekrandan iyidir. Ancak yalnızca en popülerleri göstermek bütün yeni kullanıcıları aynı dar kümeye yönlendirebilir. Tür, uzunluk ve yayın tarihi bakımından çeşitlilik katın.
4. Kontrollü keşif alanı bırakın
Önerilerin bir kısmını güvenilir ve bilinen seçeneklerden, küçük bir kısmını ise yeni adayları denemek için ayırın. Örneğin beş kartlık bir listede bir kartı keşif için kullanmak basit bir başlangıçtır; bu oran evrensel kural değildir, ürüne ve ölçümlere göre ayarlanmalıdır. Gösterilen içeriği, tıklamayı, kaydetmeyi ve atlamayı kaydedin. İçerik hiç gösterilmediyse tıklanmamasını “beğenmedi” diye yorumlamayın.
Uygulamalı örnek: yeni sesli kitap uygulaması
Kataloğunuza yeni katılan bir sesli kitabın konusu, türü, dili ve süresi biliniyor; fakat henüz dinleyeni yok. Uygulamayı ilk kez kullanan kişinin de geçmişi bulunmuyor. Şu basit başlangıç akışını kurabilirsiniz:
- Kullanıcıya tür seçimini isteğe bağlı olarak sorun; örneğin polisiye, bilimkurgu veya kişisel gelişim.
- İlk ekranda seçilen türlerle eşleşen kitapları, editör seçkisini ve birkaç popüler başlığı karıştırın.
- Yeni sesli kitabı, açıklaması ve etiketleri benzer içeriklerin yanına bir keşif adayı olarak ekleyin.
- Gösterim, tıklama, dinlemeye başlama, tamamlama ve kaydetme olaylarını ayrı ayrı ölçün.
- Yeterli etkileşim geldikçe benzer kullanıcı davranışlarını da kullanan işbirlikçi önerileri devreye alın.
Öğretici bir başlangıç puanı şöyle yazılabilir:
puan = 0.45 * icerik_eslesmesi
+ 0.30 * genel_populerlik
+ 0.15 * baglam_eslesmesi
+ 0.10 * kesif
Bu ağırlıklar yalnızca örnektir; her katalog için doğru olan sabit bir oran yoktur. Önce basit bir kural kurun, ardından gerçek kullanım verisiyle ayarlayın. Google’ın içerik tabanlı filtreleme açıklaması, ürün özelliklerinden nasıl benzerlik sinyali üretilebileceğini örnekler.
Başarılı olup olmadığını nasıl anlarsınız?
Soğuk başlangıç başarısını yalnızca tüm kullanıcıların ortalama tıklama oranıyla ölçmeyin. Yeni kullanıcıları ve yeni ürünleri ayrı gruplar halinde izleyin. Örneğin:
- Kapsama: Yeni ürünlerin ne kadarı en az bir kişiye gösterildi?
- İlk değer: Yeni kullanıcıların kaçı ilk oturumda bir içerik seçti veya kaydetti?
- İlgililik: Gösterim başına tıklama, dinlemeye başlama ya da sepete ekleme nasıl değişti?
- Çeşitlilik: Öneriler farklı türleri kapsıyor mu, yoksa hep aynı popüler içerikler mi dönüyor?
Google Research’ün soğuk başlangıç önerileri üzerine çalışması, yeni ürünlerin özelliklerini öneri sisteminde kullanılabilir sinyallere dönüştürme yaklaşımını inceler. Bu nedenle ürün açıklamalarını tutarlı ve işe yarar etiketlerle hazırlamak, sadece katalog düzeni değildir; öneri kalitesinin de parçasıdır.
Sık yapılan hatalar
- Popülerliği kişisel ilgiyle aynı şey sanmak.
- Gösterim kaydı olmadan tıklamama durumunu olumsuz tercih kabul etmek.
- Yeni kullanıcıyı uzun bir form doldurmaya zorlamak.
- Keşif için hiç alan bırakmayıp yalnızca mevcut popülerleri göstermek.
- İlk haftadaki sonuçları tüm kullanıcıların ortalaması içinde kaybetmek.
Tercih sorularını kısa ve isteğe bağlı tutun; gereksiz kişisel bilgi toplamayın. Önerilerinizi yeni kullanıcı ve yeni ürün gruplarında ayrı izleyin. Soğuk başlangıç için araştırmaların incelediği farklı yöntemlere ilk kez gelen kullanıcılara yönelik bu çalışmadan ulaşabilirsiniz.
Kısa özet
Öneri sisteminde soğuk başlangıç, geçmiş etkileşim bulunmayan kullanıcı veya ürün için ilk yararlı öneriyi üretme problemidir. Ürün özelliklerinden benzerlik çıkarın, kullanıcıya kısa ve atlanabilir tercihler sunun, dengeli bir başlangıç listesi hazırlayın ve sınırlı keşif alanı bırakın. Etkileşim biriktikçe kişiselleştirmeyi adım adım artırın.